Skip to main content

项目管道

在项目被蜘蛛抓取后,它被发送到项目管道,它通过顺序执行的几个组件来处理它。

每个项目管道组件(有时称为“Item Pipeline”)是一个实现简单方法的Python类。他们接收一个项目并对其执行操作,还决定该项目是否应该继续通过流水线或被丢弃并且不再被处理。

项目管道的典型用途是:

  • 清理HTML数据

  • 验证抓取的数据(检查项目是否包含特定字段)

  • 检查重复(并删除)

  • 将刮取的项目存储在数据库中

编写自己的项目管道

每个项目管道组件是一个Python类,必须实现以下方法:

process_item(self, item, spider)

对于每个项目管道组件调用此方法。 process_item() 必须:返回一个带数据的dict,返回一个 Item (或任何后代类)对象,返回一个 Twisted Deferred 或引发 DropItem 异常。丢弃的项目不再由其他管道组件处理。

参数:
  • item (Item object or a dict) – 项目刮
  • spider (Spider object) – 蜘蛛刮了的东西

另外,它们还可以实现以下方法:

open_spider(self, spider)

当蜘蛛打开时调用此方法。

参数:spider (Spider object) – 打开的蜘蛛
close_spider(self, spider)

当蜘蛛关闭时调用此方法。

参数:spider (Spider object) – 被关闭的蜘蛛
from_crawler(cls, crawler)

如果存在,则调用此类方法以从 Crawler 创建流水线实例。它必须返回管道的新实例。 Crawler对象提供对所有Scrapy核心组件(如设置和信号)的访问;它是管道访问它们并将其功能挂钩到Scrapy中的一种方式。

参数:crawler (Crawler object) – 爬虫使用此管道

项目管道示例

价格验证和丢弃项目没有价格

让我们来看看以下假设的管道,它调整不包括增值税(price_excludes_vat 属性)的那些项目的 price 属性,并删除那些不包含价格的项目:

from scrapy.exceptions import DropItem

class PricePipeline(object):

    vat_factor = 1.15

    def process_item(self, item, spider):
        if item['price']:
            if item['price_excludes_vat']:
                item['price'] = item['price'] * self.vat_factor
            return item
        else:
            raise DropItem("Missing price in %s" % item)

将项目写入JSON文件

以下管道将所有抓取的项目(来自所有蜘蛛程序)存储到单个 items.jl 文件中,每行包含一个项目,以JSON格式序列化:

import json

class JsonWriterPipeline(object):

    def open_spider(self, spider):
        self.file = open('items.jl', 'wb')

    def close_spider(self, spider):
        self.file.close()

    def process_item(self, item, spider):
        line = json.dumps(dict(item)) + "\n"
        self.file.write(line)
        return item

注解

JsonWriterPipeline的目的只是介绍如何编写项目管道。如果你真的想把所有被抓取的项目存储到一个JSON文件,你应该使用 饲料出口

将项目写入MongoDB

在这个例子中,我们将使用 pymongo 将项目写入 MongoDB。 MongoDB地址和数据库名称在Scrapy设置中指定; MongoDB集合以item类命名。

此示例的要点是说明如何使用 from_crawler() 方法以及如何正确清理资源。:

import pymongo

class MongoPipeline(object):

    collection_name = 'scrapy_items'

    def __init__(self, mongo_uri, mongo_db):
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            mongo_uri=crawler.settings.get('MONGO_URI'),
            mongo_db=crawler.settings.get('MONGO_DATABASE', 'items')
        )

    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]

    def close_spider(self, spider):
        self.client.close()

    def process_item(self, item, spider):
        self.db[self.collection_name].insert(dict(item))
        return item

截取项目的屏幕截图

此示例演示如何从 process_item() 方法返回 Deferred。它使用 Splash 来呈现项目网址的屏幕截图。 Pipeline请求本地运行 Splash 的实例。在请求被下载并且Deferred回调触发后,它将项目保存到一个文件并将文件名添加到项目。

import scrapy
import hashlib
from urllib.parse import quote


class ScreenshotPipeline(object):
    """Pipeline that uses Splash to render screenshot of
    every Scrapy item."""

    SPLASH_URL = "http://localhost:8050/render.png?url={}"

    def process_item(self, item, spider):
        encoded_item_url = quote(item["url"])
        screenshot_url = self.SPLASH_URL.format(encoded_item_url)
        request = scrapy.Request(screenshot_url)
        dfd = spider.crawler.engine.download(request, spider)
        dfd.addBoth(self.return_item, item)
        return dfd

    def return_item(self, response, item):
        if response.status != 200:
            # Error happened, return item.
            return item

        # Save screenshot to file, filename will be hash of url.
        url = item["url"]
        url_hash = hashlib.md5(url.encode("utf8")).hexdigest()
        filename = "{}.png".format(url_hash)
        with open(filename, "wb") as f:
            f.write(response.body)

        # Store filename in item.
        item["screenshot_filename"] = filename
        return item

复制过滤器

用于查找重复项目并删除已处理的项目的过滤器。假设我们的项目具有唯一的ID,但是我们的蜘蛛会返回具有相同id的多个项目:

from scrapy.exceptions import DropItem

class DuplicatesPipeline(object):

    def __init__(self):
        self.ids_seen = set()

    def process_item(self, item, spider):
        if item['id'] in self.ids_seen:
            raise DropItem("Duplicate item found: %s" % item)
        else:
            self.ids_seen.add(item['id'])
            return item

激活项目管道组件

要激活项目管道组件,必须将其类添加到 ITEM_PIPELINES 设置,如以下示例所示:

ITEM_PIPELINES = {
    'myproject.pipelines.PricePipeline': 300,
    'myproject.pipelines.JsonWriterPipeline': 800,
}

您在此设置中分配给类的整数值确定它们运行的顺序:项目从较低值到较高值类。通常将这些数字定义在0-1000范围内。